이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
Alpamayo 2 Super는 NVIDIA Cosmos 3 Super Reasoner를 기반으로 강화학습으로 후학습된 멀티모달 자율주행 추론 모델로, OpenMDW‑1.1 라이선스로 Hugging Face에 배포되어 상업적 미세조정과 재배포 경로를 제공한다. 모델은 전후·측면 카메라를 융합해 360도 문맥을 이해하고 궤적, 원인 연쇄(CoC), meta‑action, 자동 라벨링용 추론, 2D 시각적 그라운딩을 동시에 생성해 개발자가 관측과 결정을 연결해 검증할 수 있게 만든다. NVIDIA 내부 벤치마크에서 LingoQA 등 자율주행 추론 지표 1위를 기록했고, 이 생태계는 AlpaSim·AlpaGym·공개 데이터셋과 학습 레시피를 포함해 클라우드에서 차량으로 이어지는 개발 흐름을 지원한다.
섹션별 상세
자율주행 분야에서 중요한 문제는 일상적 장면이 아니라 희귀하고 복합적인 장면을 안전하게 처리하는 능력이다. Alpamayo 2 Super는 NVIDIA Cosmos 3 Super Reasoner 기반으로 강화학습으로 후학습되어 멀티모달 입력을 통합해 희귀 상호작용에서도 추론을 일반화하는 능력을 키웠다. 이러한 설계는 클라우드에서의 전방위적 추론과 차량 내의 경량화된 추출 모델을 결합하는 워크플로를 가능하게 해 현장 배포 비용과 리스크를 줄인다.
오픈 라이선스와 개방형 가중치는 상용 AV 개발에서 데이터 주권과 배포 유연성을 제공한다. Alpamayo 2 Super는 OpenMDW‑1.1 하에 Hugging Face로 배포되어 기업이 자체 데이터로 미세조정하고 파생 모델을 상업적으로 재배포할 수 있게 되었다. 이 접근법은 연구 단계에서 상용 배포로 직결되는 경제적 경로를 만들며, 각 업체가 독자적 안전정책과 인프라를 유지하면서 모델의 가치를 온전히 소유할 수 있게 한다.
근거
- Alpamayo 2 Super는 OpenMDW‑1.1 라이선스로 Hugging Face에 배포되어 상업적 재배포와 파생 모델을 허용한다. — 본문에서 OpenMDW‑1.1 적용과 Hugging Face 배포 언급
성능 측면에서 Alpamayo 2 Super는 LingoQA와 기타 자율주행 벤치마크에서 최상위를 기록했다. NVIDIA 내부 평가에서는 Lingo‑Judge 기준으로 Qwen2.5‑VL 72B보다 17.0점, Gemini 2.5 Pro보다 15.1점, GPT‑4o보다 23.2점 높은 것으로 보고되었고 이는 희귀 상황에서의 추론 우위를 시사한다. 모델의 파라미터 증가는 10B급 Alpamayo 1.5/1 대비 3배 규모로 나타나 희소한 예시로부터의 일반화 능력을 높인 근거로 제시되었다.
근거
- Alpamayo 2 Super가 LingoQA 벤치마크에서 약 40개 모델 중 1위를 차지했다. — 본문의 LingoQA 점수 비교(Alpamayo 2 Super vs Qwen2.5‑VL 72B, Gemini 2.5 Pro, GPT‑4o)와 Lingo‑Judge 지표 언급
Alpamayo 2 Super는 단일 모델에서 경로(trajectory), 원인 연쇄(CoC), meta‑action, 자동 라벨링용 추론 라벨, 2D 시각적 그라운딩을 포함한 VQA 응답까지 다섯 가지 연계 출력을 생성할 수 있다. 입력으로 차량의 전후방·측면 카메라를 융합해 360도 문맥을 구성한 뒤 각 출력이 서로 연결되도록 설계되어, 모델 관측→이유→행동의 연결 고리를 개발자가 직접 확인할 수 있다. 이 출력 결합은 Halos 기반 안전 검증 파이프라인과 맞물려 검증 가능성과 규격 대응력을 높인다.
자동 라벨링 및 데이터 증강 측면에서 Alpamayo 2 Super는 운영 중인 플릿의 영상에서 CoC와 시각적 근거를 생성해 라벨링 사이클을 단축할 수 있다. 모델을 오토라벨러로 운용하면 수동 주석으로 몇 달 걸리던 과정이 며칠 단위로 줄어들며, 생성된 라벨은 모델 증류와 재학습에 즉시 투입될 수 있다. 이러한 흐름은 대규모 데이터 파이프라인에서 비용과 시간 절감을 통해 반복 실험 속도를 가속시킨다.
근거
- 모델은 코크스(CoC) 추론 흔적과 2D 시각적 그라운딩을 생성해 라벨링 주기를 수일로 단축할 수 있다. — 본문의 자동 라벨러 활용 사례와 '라벨링 주기 몇 달→며칠'이라는 서술
Alpamayo 생태계는 AlpaSim, AlpaGym, Physical AI Open Datasets, 공개 학습 레시피 같은 도구와 데이터셋을 포함해 전체 개발 주기를 지원한다. 폐쇄루프 시뮬레이션과 대량 RL 학습 인프라, 공개 데이터가 결합되어 연구자가 모델을 학습·검증·증류한 뒤 차량에 맞게 최적화해 배포할 수 있는 엔드투엔드 경로를 제공한다. 이러한 통합은 클라우드급 추론과 차량 내 경량화 모델을 연계해 상용 플릿으로의 확장 가능성을 높인다.
용어 해설
- OpenMDW‑1.1 라이선스(OpenMDW-1.1)
- — OpenMDW‑1.1은 Linux Foundation의 관대한 AI 모델 배포 라이선스로, 파생 모델과 상업적 재배포를 허용한다. 기업이 자체 데이터와 인프라에서 모델을 미세조정하고 재배포할 수 있게 하여 AV 워크플로에서 데이터 주권과 안전성 확보를 돕는다. 이로써 연구 단계에서 상용 배포로 직결되는 경로가 경제적으로 현실화된다.
- 원인 연쇄(Chain of Causation)(Chain of Causation (CoC))
- — CoC는 모델이 특정 주행 결정을 내린 이유를 단계별로 기록하는 추론 흔적으로, 입력 인식→원인 판단→의사결정으로 이어지는 논리흐름을 명시적으로 연결한다. 카메라의 특정 영역과 결정을 연계하여 검증 가능한 근거를 제공하며 안전 검증과 데이터 라벨링에 활용된다. ISO/PAS 8800 같은 안전 요구사항과의 정합성을 지원하는 근거 자료로 활용될 수 있다.
- 자동 라벨링(Autolabeler)(Autolabeler)
- — 자동 라벨링은 모델이 원인 연쇄와 시각적 근거를 생산해 원시 주행 영상에 바로 주석을 달아 훈련 데이터를 만드는 방식이다. Alpamayo 2 Super는 CoC와 2D 시각적 그라운딩을 이용해 수동 주석을 대체해 라벨링 주기를 수일로 단축시킨다. 결과물은 모델 재학습과 검증 데이터로 바로 유입되어 개발 속도를 높인다.
- LingoQA 벤치마크(LingoQA)
- — LingoQA는 자율주행 맥락에서 추론 능력을 평가하는 벤치마크로, 상황 이해와 원인 판단 같은 고차원적 추론 성능을 측정한다. NVIDIA 평가에서 Alpamayo 2 Super가 수십 종 모델 가운데 1위를 기록한 근거로 사용되며 Lingo‑Judge 지표로 점수 비교를 수행한다. 드문 상황에서의 일반화 능력을 정량화하는 지표로 활용된다.
- 멀티태스크 추론(Multitask reasoning)
- — 멀티태스크 추론은 단일 모델이 경로 계획, 의도(meta‑action), 원인 연쇄, 시각 질문응답 등 여러 출력을 동시에 생성하는 접근법이다. 입력으로 전방·측면·후방 카메라를 융합해 상황을 이해하고 그 결과를 다양한 형식의 출력으로 변환해 개발·검증 파이프라인에 직접 연결한다. 이렇게 하면 개발 도구가 단순해지고 반복 실험·증류가 용이해진다.
기술
- NVIDIA Cosmos 3 Super Reasoner
- OpenMDW‑1.1
- Hugging Face
- NVIDIA Halos
- NVIDIA AlpaSim
- NVIDIA AlpaGym
- Physical AI Open Datasets
활용 사례
- 로봇택시 및 상용 플릿에서 희귀 복합 상황에 대한 추론 기반 경로 계획 생성
- 플릿 카메라 영상의 자동 라벨링을 통한 학습 데이터 가속화
- 클라우드에서의 전방위 추론으로 고성능 교사 신호를 생성해 모델 증류에 활용
언급된 리소스
문서NVIDIA Alpamayo 2 Super on Hugging Face
문서NVIDIA AlpaSim
문서NVIDIA AlpaGym
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 05.수집 2026. 08. 05.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.